上篇内容:http://dushen.iteye.com/blog/2415336
项目地址:https://gitee.com/dushen666/spider.git
继续上一篇的内容,在上一篇的时候,我们已经可以将数据爬取下来了,并保存为了json文件的形式。本篇我要将数据插入关系型数据库,并实现去重。
此处以MySQL数据库为例:
- 我们依照上一篇的items创建表结构:
/* SQLyog Ultimate v10.42 MySQL - 5.7.20-0ubuntu0.16.04.1 : Database - movie-website1 ********************************************************************* */ /*!40101 SET NAMES utf8 */; /*!40101 SET SQL_MODE=''*/; /*!40014 SET @OLD_UNIQUE_CHECKS=@@UNIQUE_CHECKS, UNIQUE_CHECKS=0 */; /*!40014 SET @OLD_FOREIGN_KEY_CHECKS=@@FOREIGN_KEY_CHECKS, FOREIGN_KEY_CHECKS=0 */; /*!40101 SET @OLD_SQL_MODE=@@SQL_MODE, SQL_MODE='NO_AUTO_VALUE_ON_ZERO' */; /*!40111 SET @OLD_SQL_NOTES=@@SQL_NOTES, SQL_NOTES=0 */; /*Table structure for table `spider_h6080` */ CREATE TABLE `spider_h6080` ( `name` VARCHAR(1000) DEFAULT NULL, `url` VARCHAR(1000) DEFAULT NULL, `num` VARCHAR(1000) DEFAULT NULL, FULLTEXT KEY `spiderh6080index` (`name`,`url`) ) ENGINE=INNODB DEFAULT CHARSET=utf8; /*Table structure for table `spider_h6080_movieinfo` */ CREATE TABLE `spider_h6080_movieinfo` ( `id` INT(11) NOT NULL AUTO_INCREMENT, `moviename` VARCHAR(100) DEFAULT NULL, `prefilename` VARCHAR(50) DEFAULT NULL, `suffixname` VARCHAR(20) DEFAULT NULL, `createtime` DATETIME(6) DEFAULT NULL, `updatetime` DATETIME(6) DEFAULT NULL, `publishtime` VARCHAR(100) DEFAULT NULL, `types` VARCHAR(200) DEFAULT NULL, `area` VARCHAR(200) DEFAULT NULL, `language` VARCHAR(200) DEFAULT NULL, `actor` VARCHAR(200) DEFAULT NULL, `director` VARCHAR(200) DEFAULT NULL, `keyword` VARCHAR(200) DEFAULT NULL, `weight` INT(11) DEFAULT NULL, `countnumber` INT(11) DEFAULT NULL, `avaliblesum` INT(11) DEFAULT NULL, `introduce` VARCHAR(2000) DEFAULT NULL, `clickcount` INT(11) DEFAULT NULL, `playcount` INT(11) DEFAULT NULL, `duration` VARCHAR(100) DEFAULT NULL, `isoutsource` VARCHAR(2) DEFAULT NULL, `picurl` VARCHAR(500) DEFAULT NULL, `classify_id` INT(11) DEFAULT NULL, PRIMARY KEY (`id`), FULLTEXT KEY `moviename` (`moviename`) ) ENGINE=INNODB AUTO_INCREMENT=13748 DEFAULT CHARSET=utf8; /*!40101 SET SQL_MODE=@OLD_SQL_MODE */; /*!40014 SET FOREIGN_KEY_CHECKS=@OLD_FOREIGN_KEY_CHECKS */; /*!40014 SET UNIQUE_CHECKS=@OLD_UNIQUE_CHECKS */; /*!40111 SET SQL_NOTES=@OLD_SQL_NOTES */;
- 安装MySQL-python,用于连接我们的MySQL数据库:
ubuntu安装步骤如下:
sudo apt-get install libmysqlclient-dev libmysqld-dev python-dev python-setuptools pip install MySQL-python
windows,下载附件中的MySQL-python-1.2.5.win-amd64-py2.7.exe,双击安装。
验证,在python交互界面输入import MySQLdb,若无报错,说明成功:
C:\Users\du>python Python 2.7.10 (default, May 23 2015, 09:44:00) [MSC v.1500 64 bit (AMD64)] on wi n32 Type "help", "copyright", "credits" or "license" for more information. >>> import MySQLdb >>>
- 安装pybloom,用于去重。
pip install pybloom
说明:pybloom,布隆过滤器(Bloom Filter)是由布隆(Burton Howard Bloom)在1970年提出的。它实际上是由一个很长的二进制向量和一系列随机映射函数组成,布隆过滤器可以用于检索一个元素是否在一个集合中。我们去重通常有三种方法:
1、将过滤字段存于一个list中,针对每个抓取到的item,检测过滤字段是否在list中,若存在则drop。否则入库。但此方法随着list的不断增大,程序占用内存越来越大,造成性能下降,甚至触发系统的OOMKiller,中断进程。ids_seen=[] if item['url'] in self.ids_seen: raise DropItem("Exist Exception! Duplicate item found: %s" % item['name']) else: sql = ("INSERT INTO spider_h6080 (NAME,url,num) VALUES ('%s', '%s', '%s')" % (item['name'], item['url'], item['num'])) try: self.cur.execute(sql) self.conn.commit() self.append(item['url']) except Exception as err: raise DropItem("DB Exception! Duplicate item found: %s" % err) return item
2、在数据库中添加主键,利用数据库返回错误,但数据库大量报错可能导致程序崩溃。
sql = ("INSERT INTO spider_h6080 (NAME,url,num) VALUES ('%s', '%s', '%s')" % (item['name'], item['url'], item['num'])) try: self.cur.execute(sql) self.conn.commit() except Exception as err: raise DropItem("%s" % err) return item
3、使用布隆过滤器,布隆过滤器的特点是利用准确率换取内存空间和效率,虽然程序的内存也会不断增大,但是比起list要好的太多,内存增幅极小。
from pybloom import BloomFilter ids_seen = BloomFilter(capacity=5000000, error_rate=0.001) if item['url'] in self.ids_seen: raise DropItem("Exist Exception! Duplicate item found: %s" % item['name']) else: sql = ("INSERT INTO spider_h6080 (NAME,url,num) VALUES ('%s', '%s', '%s')" % (item['name'], item['url'], item['num'])) try: self.cur.execute(sql) self.conn.commit() self.ids_seen.add(item['url']) except Exception as err: raise DropItem("DB Exception! Duplicate item found: %s" % err) return item
-
pipeline.py的代码如下:
# -*- coding: utf-8 -*- # Define your item pipelines here # # Don't forget to add your pipeline to the ITEM_PIPELINES setting # See: https://doc.scrapy.org/en/latest/topics/item-pipeline.html import sys reload(sys) sys.setdefaultencoding('utf-8') from scrapy.exceptions import DropItem from spider.items import H6080Item, H6080MovieInfo import MySQLdb from pybloom import BloomFilter class Spider1Pipeline(object): def __init__(self): #self.ids_seen = [] self.ids_seen = BloomFilter(capacity=5000000, error_rate=0.001) #self.movienames_seen = [] self.movienames_seen = BloomFilter(capacity=5000000, error_rate=0.001) self.conn = MySQLdb.connect(host='127.0.0.1', port=3306, user='root', passwd='ROOT', db='movie-website1', charset='utf8') self.cur = self.conn.cursor() self.cur.execute('SELECT url FROM spider_h6080') result = self.cur.fetchall() for row in result: self.ids_seen.add(row[0]) self.cur.execute('SELECT picurl FROM spider_h6080_movieinfo') result = self.cur.fetchall() for row in result: self.movienames_seen.add(row[0]) def process_item(self, item, spider): print "Deep of ids_seen: %s" % self.ids_seen.count print "Deep of movienames_seen: %s" % self.movienames_seen.count if isinstance(item, H6080Item): if item['url'] in self.ids_seen: raise DropItem("Exist Exception! Duplicate item found: %s" % item['name']) else: sql = ("INSERT INTO spider_h6080 (NAME,url,num) VALUES ('%s', '%s', '%s')" % (item['name'], item['url'], item['num'])) try: self.cur.execute(sql) self.conn.commit() self.ids_seen.add(item['url']) except Exception as err: raise DropItem("DB Exception! Duplicate item found: %s" % err) return item elif isinstance(item, H6080MovieInfo): if item['picurl'] in self.movienames_seen: raise DropItem("Exist Exception! Duplicate item found: %s" % item['name']) sql = "INSERT INTO spider_h6080_movieinfo (moviename,actor,TYPES,AREA,publishtime,countnumber,introduce,director,picurl) VALUES ('%s', '%s', '%s', '%s','%s', '%s', '%s', '%s', '%s')" % (item['name'], item['actor'], item['types'], item['area'], item['publishtime'], item['countnumber'], item['introduce'], item['director'], item['picurl']) try: self.cur.execute(sql) self.conn.commit() self.movienames_seen.add(item['picurl']) except Exception as err: raise DropItem("DB Exception! Duplicate item found: %s" % err) return item
此处两个item分别以picurl和url作为去重过滤字段,声明两个bloomfilter用与过滤这两个字段。BloomFilter(capacity=5000000, error_rate=0.001),capacity为过滤器可存储的最大数据量,error_rate为可容忍的最大错误率
到此,爬虫已经实现的数据入库和去重功能,我们可以用它来爬取视频了。
最后再次附上项目地址:https://gitee.com/dushen666/spider.git
相关推荐
好玩的爬虫代码。好玩的爬虫代码。好玩的爬虫代码。好玩的爬虫代码。好玩的爬虫代码。好玩的爬虫代码。
【标题】:“爬虫代码(爬虫小说代码)”揭示了这个压缩包文件的主要内容,即包含用于爬取网络小说的编程代码。爬虫是一种自动提取网页数据的程序,尤其在大数据时代,对于信息的抓取和分析具有重要意义。在这个项目...
以下将详细解析这个Java爬虫代码的关键知识点: 1. **URL类**: `URL verifiedUrl = null;` 用于存储验证后的URL,`URL`类提供了访问和操作URL的各种方法,如`new URL(url)`用于创建URL对象,`getHost()`用于获取...
这是java写的爬虫代码,很好用。
五行代码实现爬虫,然后解析
81个Python爬虫源代码,内容包含新闻、视频、中介、招聘、图片资源等网站的爬虫资源
python爬虫,学习大全,涵盖大量学习篇幅1.0万行代码你指的二拥有。 python爬虫,学习大全,涵盖大量学习篇幅1.0万行代码你指的二拥有。 python爬虫,学习大全,涵盖大量学习篇幅1.0万行代码你指的二拥有。 python...
scrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码.zipscrapy爬虫项目代码....
在本资源中,你将找到罗刚所著《自己动手写爬虫》一书的第一章相关的源代码。这本书旨在引导读者逐步了解并实践爬虫技术,通过实际编写代码来学习和掌握这一技能。作者罗刚深入浅出地讲解了爬虫的基础知识,使初学者...
【Python网络爬虫代码】是基于Python3编程语言实现的一款数据抓取工具,主要用于从互联网上,特别是百度百科这类网站,自动获取指定网页中的信息。爬虫技术在信息技术领域扮演着重要角色,它能帮助我们高效地提取...
6. **代码实现**:压缩包中的“爬虫代码实现”文件包含了上述所有概念的具体代码实现。通过阅读和理解这段代码,可以深入了解如何将理论知识应用到实际项目中,从而提升自己的爬虫技能。 总的来说,这个项目涵盖了...
《自己动手写网络爬虫》是一本面向实践的教程,旨在帮助读者深入理解网络爬虫的工作原理,并通过实际操作掌握其编写技术。该资源包括PDF格式的书籍和配套的源代码,为学习者提供了理论与实践相结合的学习环境。 ...
- WebCollector是基于JAVA的无配置爬虫框架,提供简洁的API,支持二次开发,有Hadoop版本以实现分布式爬取。 4. **Spiderman**: - Spiderman是一个基于微内核和插件式架构的网络爬虫,目标是简化复杂网页信息的...
《自己动手写网络爬虫》第一章的代码涵盖了网络爬虫的基础知识,主要针对Java编程语言。这章内容是这本书的入门部分,旨在帮助读者建立起对网络爬虫的基本理解和实际操作能力。在这里,我们将深入探讨这一章节涉及的...
爬虫开发Python开发简单爬虫 实例代码.zip爬虫开发Python开发简单爬虫 实例代码.zip爬虫开发Python开发简单爬虫 实例代码.zip爬虫开发Python开发简单爬虫 实例代码.zip爬虫开发Python开发简单爬虫 实例代码.zip爬虫...
爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例代码.zip爬虫开发Python实例...
java代码-java爬虫源代码 ——学习参考资料:仅用于个人学习使用!
【C++ 网络爬虫代码】是一个基于C++编程语言实现的网络爬虫程序,利用了Winsock库进行网络通信,专为处理HTTP协议设计。本项目旨在教授如何利用C++进行网络爬取,解析HTML内容以及提取图片URL,并将图片下载到本地。...
总之,网页爬虫源代码的学习和分析能帮助IT专业人士深入理解网络数据抓取的全貌,提高他们在数据驱动领域的实践能力。而"vrawler3"作为这样的实例,对于希望提升这方面技能的人来说,无疑是一份宝贵的资源。
自己动手写网络爬虫源代码是一个极好的学习实践过程,可以帮助理解网页抓取的工作原理,以及如何处理和分析抓取到的数据。在这个过程中,你将涉及多个编程技术和工具,如Python、HTTP协议、正则表达式、数据存储等。...